CN106302274A - 一种大规模mimo***多用户信道估计与跟踪方法 - Google Patents
一种大规模mimo***多用户信道估计与跟踪方法 Download PDFInfo
- Publication number
- CN106302274A CN106302274A CN201610744197.9A CN201610744197A CN106302274A CN 106302274 A CN106302274 A CN 106302274A CN 201610744197 A CN201610744197 A CN 201610744197A CN 106302274 A CN106302274 A CN 106302274A
- Authority
- CN
- China
- Prior art keywords
- channel
- user
- information
- base station
- angle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种大规模MIMO***及密集用户信道估计与跟踪方法,包括:步骤1,通过下行序言帧导频序列,获得下行用户空间信道信息和空间角度信息;步骤2,根据下行用户的空间信道信息和空间角度信息,对下行用户进行分组;步骤3,根据下行信道用户分组情况,进行信道估计和反馈。本申请的大规模MIMO***的多用户信道估计与跟踪方法无需用户间同步,且可以服务于更多的用户终端。并且可以降低了下行训练导频开销,推动了FDD在大规模MIMO通信***中的应用;有效降低了***实现的复杂度、提高了时变情况下信道估计的精度。
Description
技术领域
本发明涉及无线通信领域,更具体地,涉及一种大规模MIMO***多用户信道估计与跟踪方法。
背景技术
在无线通信***中,由发射机产生的调制信号可通过许多不同的传播路径到达特定的接收机,其特征会因为多路径和衰减现象随着时间而改变。此外,传播信道的特征基于传播频率的不同或改变,为了补偿传播效应的因时间变化的频率选择特性,提高在无线通信***内的有效编码和调制,无线通信***的每个接收机可周期性地为每个频率信道收集信道状态信息。当确定多个信道的状态信息时,接收机可将该状态信息发送回发射机,使其可以预先处理该信道传输的信号,以便补偿每个信道变化的传播效应。
随着基于多输入多输出天线无线通信***的不断发展成熟,大规模MIMO(MassiveMIMO)通信技术应运而生。大规模MIMO采用数百根甚至上千根价格低廉的天线,以相同的频率同时服务于数十甚至上百个天线终端。基于大规模阵列天线的通信***凭借其强大的功率和能量利用效率,成为了未来5G通信***最具潜力的传输技术。
由于大规模MIMO***基于大数量的天线实现通信,随着天线数量的增多,通信***展现出许多新的性能,大规模MIMO基站与用户间的信道向量趋于正交。在已知信道状态信息的情况下,基站通过简单的线性预编码即可实现信号的无干扰传输。信道信息获取是大规模MIMO研究的一个关键问题,信道参数的准确度、反馈开销和时延是影响增益的重要因素。
在实际的通信过程中,信道信息由信道估计获得,基站通过向用户发送训练序列获取信道的估计值。然而,在大规模MIMO通信***中,基站天线数量多,受时间资源和频率资源的限制,在信道估计过程中,相同的导频序列需要重复使用来实现信道估计,非正交的导频使用会带来信道估计误差,即导频污染问题。进一步,导频污染严重影响了大规模MIMO***性能的发挥;从而,如何有效利用导频资源、降低导频污染成为大规模MIMO信道估计中的一个重要问题。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的大规模MIMO***多用户信道估计与跟踪方法。
根据本发明的一个方面,提供一种大规模MIMO***,包括:部署大规模天线阵列的基站和多个单天线用户,基站大规模天线阵列与用户间的信道向量是稀疏的。
其中,多个单天线用户在小区内随机分布,所述信道采用多径窄角入射模型。
根据本申请的另一方面,提供一种大规模MIMO***密集用户信道估计与跟踪方法,所述方法包括:步骤1,通过下行序言帧导频序列,获得下行用户空间信道信息和空间角度信息;步骤2,根据下行用户的空间信道信息和空间角度信息,对下行用户进行分组;步骤3,根据下行信道用户分组情况,进行信道估计和反馈。
其中,所述方法还包括:步骤4,根据下行信道估计获得的用户到达角和有效波束集对所有上行用户进行分组,以使同一小组内的波束不重合;步骤5,根据用户分组情况,对所有用户进行上行信道估计;步骤6,基于上行信道基站接收数据分析,获得实时的空间波束信息。
其中,步骤1进一步包括:在信道使用初期通过下行序言帧获得用户的空间角度域信息;根据正交导频数量的不同,通过基于足够正交导频资源的最小二乘方法、基于非足够正交导频资源的基站导频分段传输方法或者基于非正交导频的压缩感知方法获取空间角度域信息。
其中,所述步骤1进一步包括:通过信道DFT变换域分析,获得用户的空间角度域信息,利用少量的参数表示高维的信道,利用阵列信号处理技术的空间旋转运算减少信道参数的表征个数。
其中,所述步骤2进一步包括:具有相同空间角度特征的分在同一簇,然后将不同簇进行分组,以使不同分组之间存在保护间隔;将具有相邻空间角度域信息的用户分为一组。
其中,所述步骤3进一步包括:具体某一分组,基站根据角度域信息发送导频矩阵,用户接收到正交导频矩阵后,基于导频信息利用最小二乘方法计算出各个用户的信道值,并将信道信息反馈至基站。
其中,所述步骤4进一步包括:不同分组使用相互正交的导频资源,同一分组使用相同的导频资源。
其中,所述步骤5进一步包括:基站接收到导频后,基于最小二乘算法和同一小组信道空间角度域信息不重叠特性实现信道估计。
其中,所述步骤6进一步包括:
在上行信道用户数据传输阶段,基站通过对接收数据进行DFT变换域特征分析获得小区内用户的波束角度观测信息;其中,通过卡尔曼滤波获得时变信道空间波束的角度最小方差估计值,更新用户的空间角度信息。
本发明与现有技术相比具有以下优点:
本申请的大规模MIMO***的多用户信道估计与跟踪方法无需用户间同步,且可以服务于更多的用户终端。另外,无需获知信道的统计特性,使用少量的参数进行信道表示,有效降低了***实现的复杂度和时间、能量开销。
本申请的大规模MIMO***的多用户信道估计与跟踪方法基于下行信道获得用户的空间信息,降低了下行训练导频开销,推动了FDD在大规模MIMO通信***中的应用。另外,通过变换域分析将高维度的信道跟踪问题转换为角度跟踪问题,有效降低了***实现的复杂度、提高了时变情况下信道估计的精度。
附图说明
图1为根据本申请的大规模MIMO***的信道模型示意图;
图2为根据本申请的信道估计和跟踪方法的流程图;
图3是根据本申请的信道估计方法的时序图;
图4和图5为根据本申请的信道估计的误差曲线图;
图6为根据本申请的空间特征集角度跟踪曲线图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
可以理解,大规模MIMO信道的两个基本特性:1、当天线数目不断增加时,不同用户间的信道趋于正交,接收数据向量具有一个特殊的空间结构;2、当多径信号传播至MIMO阵列时,存在有较小的角度扩散,信道协方差矩阵呈现低秩特性。
基于上述特性,本申请提出了一种基于下行序言帧空间角度域信息获取和空间正交基展开的大规模MIMO***及多用户信道估计与跟踪方法,该方法充分利用大规模多输入多输出***信道空间的稀疏特性,降低信道估计的复杂度,推动了大规模多输入多输出***的发展和在第五代移动通信***的应用。
图1示出根据本申请的大规模MIMO***的信道模型示意图,如图1所示,本申请提供一种大规模MIMO***,其中,***包括部署大规模天线阵列的基站,多个单天线用户,基站大规模天线阵列与用户间的信道向量是稀疏的。图中标号,1表示基站ULA线性阵列,2和3表示单天线用户,4表示用户周围散射体。
进一步,基站配置了大规模天线阵列1,以大规模等距线阵为例(本发明同样适用于大规模面阵),天线阵元数量为M,小区内随机均匀地分布着K个单天线用户,信道采用多径窄角入射模型。小区内可使用的正交训练序列的数量为τ,长度为L,受相干周期的限制,正交训练序列数量有限、远小于天线的振元数M。
其中,用户终端的散射体形成了半径为Rk的圆环,Dk为基站与用户终端间的距离。用户发送信号的多径分量到达基站时形成了很小的窄角扩展,总的角度扩展为2Δθk,其中Δθk满足Δθk≈arctan(Rk/Dk)。
若在用户入射的窄角范围内入射径数量很多时,可以认为到达角在[θk-Δθk,θk+Δθk]范围内服从均匀分布,且此时信道的多径传播模型为:
式中,hk为基站与用户k之间的信道向量;P为入射径的数量;θkp为第p径的到达角;αkp为第p径的DOA和信道复增益,其服从 为大规模ULA的导向矢量,其定义为:
式中d为线性阵列阵元之间的间隔,λ为传输信号载波波长。
在该模型的假设下,随着基站天线数量的增多,大规模MIMO***的信道向量在FFT变换之后是渐进稀疏的,且基于阵列信号处理技术可以对时域信道进行旋转,使得信道能量更加集中,进一步增强的稀疏特性。
若用户移动速度有限,则可以认为用户终端相对于基站的位置是近似不变的,在信道使用初期获得用户的空间DOA信息和有效波束集合信息,在今后的几十个相干周期内基于信道使用初期获得的信息实现信道的估计;若用户移动速度不可忽略,用户的空间位置随时间变化,信道的空间特征也随之变化,需要进行用户空间信息的跟踪,提高时变情况下信道估计的精确性。
在另一个实施例中,本发明提出的大规模MIMO***密集用户信道估计与跟踪方法如图2所示,包括:步骤1,通过下行序言帧导频序列的传输获得用户的空间角度信息;步骤2,根据用户的空间角度域分布情况进行下行信道估计用户分组,复用导频资源;步骤3,根据上述下行信道用户分组情况进行信道估计和反馈;具体针对某一分组,基站根据角度域信息发送导频矩阵,用户接收到正交导频矩阵后基于导频信息利用最小二乘方法计算出各个用户的信道值,并将信道信息反馈至基站;步骤4,将用户下行波束域的有效波束直接用于上行信道估计的展开模型,根据下行信道估计获得的用户到达角和有效波束集对用户进行分组,使得同一小组内的波束不重合;步骤5,根据上述用户分组情况进行上行信道估计;步骤6,基于上述步骤获得的信道信息进行数据传输与信道跟踪。
其中,步骤5中,正交导频的分配原则是不同分组使用相互正交的导频资源,同一分组使用相同的导频资源。导频资源分配结束之后进行信道估计,基于LS算法利用同一分组信道的空间角度域信息不重叠特性进行信道估计。
其中,步骤6中,当用户移动速度较快时,对上行接收数据做变换域分析,通过DFT变换将空间信道与用户DOA联系起来,将高维度的信道跟踪问题转换为角度跟踪问题,利用卡尔曼滤波递推进一步提高用户空间DOA信息跟踪的精度,利用更新的空间波速信息进行实时的信道估计,降低信道时变对信道估计的影响。
具体地,在本申请的一个实施例中,提供一种大规模MIMO***多用户信道估计与跟踪方法,信道估计机制见图3,图中仅以一维均匀线阵为例,而本方法可以被直接扩展至二维均匀面阵,其中,具体该方法的步骤如下所述。
步骤一:基于下行信道序言帧,获得下行用户信道信息和角度域信息。
其中,根据导频资源的数量的不同,可以分为以下三种情况:
第一种,当基站具有足够的导频资源时,基站可以直接向所有用户发送与基站天线数目相同的导频,用户基于传统的最小二乘信道估计方法获得信道值,并且用户对信道做DFT变换域分析,获得信道稀疏主值区间并反馈至基站;
第二种,当基站天线导频资源数目有限时,可以通过基站导频分段传输的方法进行训练,假设小区分配的训练序列数量为τ,在第一个时隙基站通过阵列天线的前τ个天线向小区用户发送训练序列,基于最小二乘信道估计方法获得基站前τ个天线与用户间的信道估计值,在第二个时隙,基站通过阵列天线的第[τ+1,2τ]个天线向小区用户发送训练序列,基于最小二乘信道估计方法获得基站第[τ+1,2τ]个天线与用户间的信道估计值,同样以此类推,直至获得所有信道值,而后用户对信道做DFT变换域分析,获得信道稀疏主值区间并反馈至基站;
第三种,当基站天线导频资源数目有限时,基于压缩感知方法直接使用非正交导频进行训练,获得信道的估计值,压缩感知算法虚拟角度域信道可以表示为其中,是基站酉变换矩阵,是角度域稀疏信道表示,满足不同用户的有部分相同的支撑向量,即压缩感知方法利用大规模MIMO信道的稀疏特性,通过发送M×K(K<<M)压缩的非正交导频序列用户将接收到的导频序列直接反馈至基站,基站通过正交匹配算法获得用户的信道信息和空间角度域信息,即
当基站获得了用户下行信道所有的信道空间角度域信息后,即可以基于DFT展开的空间基模型对信道进行参数化表示实现降维,当用户与基站间的信道向量相对变化缓慢时,可以认为用户的到达角维持不变,即在今后的几十个相干周期内基于下行序言帧获得的信道空间特征进行信道估计,当用户与基站间的信道向量变化不可忽略时,需要利用上行信道接收数据的DFT变化域特征进行信道跟踪。
其中,用户信号入射角分布在窄角区间[θk-Δθk,θk+Δθk],其信道向量做DFT之后是渐进稀疏的,信道能量集中在少数DFT点上。
基于用户波束域信道的稀疏特性,可以将信道利用波束域内用少量的DFT点取值参数化信道,即:
式中:为FH在集合中的列向量,为中在集合中的分量,为第q个元素,fq为FH的第q列。基向量fq,相互正交,且fq形成的阵列波束分别指向一定的方向,(3)式为信道的空间正交基展开方法(spatial BEM,SBEM)。SBEM利用少量有限的DFT点参数化基站与用户间的信道。
为进一步加强信道的稀疏性,进一步减少信道参数化表示的数目,可以对信道进行空间旋转。旋转矩阵为Φ(φ)=diag{1,ejφ,...,ej(M-1)φ},φ分布在中,通过寻找最优旋转矩阵可以得到最少的信道参数化表示形式,即优化准则为:
在最优旋转矩阵下,信道可以表示为:
上式中,可以视为新的正交基向量。
基站基于下行序言帧获得信道信息,通过DFT变换获得基站与用户间的空间角度域信息,利用信道的空间域信息进行实时信道估计。
步骤二,根据用户的空间角度域分布情况进行分组,复用导频资源,利用空域信息提高时频资源利用率。其中,在分组时,首先具有相同空间角度特征的分在同一簇,然后将不同簇进行分组,使得不同分组之间存在一定的保护间隔。为了进一步减小总的训练时间、提高训练效率,可以继续降低分组数目,将具有相邻空间角度域信息的用户分为一组,信道的有效维度为τ,充分利用现有的正交训练资源。
步骤三,下行信道估计与反馈。设总的分组数目为Gdl,第g组的用户用ug表示,g=1,...,Gdl,根据上述下行信道用户分组情况进行信道估计,将Gdl组用安排在Gdl个训练时隙下行信道估计,针对某一分组,基站根据角度域信息发送导频矩阵,用户接收到正交导频矩阵后,基于导频信息利用最小二乘方法计算出各个用户的信道值,并将信道值反馈至基站。在传统的信道估计中,基站发送正交导频的数量不少于天线的数量,而在本申请的SBEM模型下,波束域的有效波束形成了一个虚拟1×τ维下行信道。针对每个用户信道的τ个有效波束发送正交训练序列,大大降低了导频开销,降低了信道估计的复杂度。
设用户k的正交训练序列为 为各用户发送功率限制因子,满足Pk为用户k的最大训练功率,且满足选择波束成形矩阵为用户k的接收信号为:
式中,为服从于的噪声向量。
由最小二乘法获得用户k的信道,可得
式中,第二项表示用户信道分量中忽略有效波束集合外的信道信息引起的误差,为用户信道自干扰,其值与有效波束域内信道值相比较小,可以忽略。下行信道估计结束后,将获得的信道信息反馈给基站。
步骤四:上行信道估计用户分组:将用户下行波束域的有效波束集直接用于上行信道估计的展开模型。
由于大规模MIMO信道具有角度互易性,因此,用户上行信道的DOA与之下行信道多径的离开角(DOD)间保持一致,上行信道可以表示为
式中:表示基站到用户k的下行信道向量。
根据步骤一获得的用户到达角和有效波束集对用户进行分组,使得同一小组内的波束不重合,即入射角度不重叠,且同一分组的不同用户间存在足够的保护间隔Ω,确保各用户间信道向量的渐进正交性,即
重复上述方法,直至所有用户完成分组。
步骤五:上行信道估计:假设用户最后被分成了Gul组,且第g组的用户集合用ug表示,g=1,...,Gul。为有效利用大规模MIMO信道的空间维特性、充分利用有限的正交导频资源,在同一组内使用相同的导频资源,不同小组之间使用正交的导频资源。基站接收到导频后,基于最小二乘算法和同一小组信道空间角度域信息不重叠特性实现信道估计。
由于正交导频的数目为τ,当Gul≤τ时,即分组数小于正交导频的数目时,假定第i个正交导频分配至第i个分组,则基站的接收信号为:
若想获得第g个用户与基站间的信道信息,则利用导频的正交性可得:
式中,ρtr为信噪比,定义为
由上式可知,yg不存在其他组用户带来的导频污染、仅包含第g组用户的有效信号。为了消除组内导频污染带来的影响,得到用户k的信道值,将yg旋转相位φk并做FFT,得:
由上式可知,用户k的有效波束集中在由于同一分组的用户波束域不重叠,即而且存在一定的保护间隔,因此基于空间域信息可以直接得到用户k的波束域信道估计为:
用户k的信道估计值为
上式中,Φ(φk)H=Φ(-φk)为逆相位旋转矩阵,Jk为用户k信道估计子。
对所有分组重复(10)至(14)式,即可得到所有用户的上行信道估计值。
步骤六,数据传输与信道跟踪。在上述步骤中,信道估计的基础是在下行序言帧用户的空间角度域信息获取,且假设在几十个相干周期内信道变化可以忽略,即用户的到达角部分发生变化,在实际的通信过程中,若用户的移动迅速,上行序言帧获得的空间角度域信息失效,在时变的情况下需要进行信道的跟踪。通过基于DFT空间基展开的信道模型使得用户的到达角与信道紧密联系起来,信道跟踪问题转换为角度跟踪问题。通过对接收数据作DFT变换,通过搜索峰值可以获得DFT变换域的最大取值点q0,进而可以获得用户k的近似到达角为
在实际的通信过程中,本发明的空间特征集的长度取值可由精度需求获得,因此获得了观测的中心角观测值以后,即可以利用卡尔曼滤波获得更加精确的角度估计值,基于空间角度跟踪的卡尔曼滤波算法概括如下:
步骤101,卡尔曼滤波状态方程与量测方程的建立;
其中,***方程:Xk(n+1)=AXk((n)+Wk((n) (16)
式中,为***矩阵,为用户k的状态向量,Wk((n)为***噪声。
量测方程:Zk(n+1)=HXk((n)+Vk((n) (17)
式中,为观测矩阵,Vk((n)为***噪声。
步骤102,时间更新。
状态一步预测
协方差一步预测
103,量测更新。
滤波增益计算
状态更新
协方差更新
通过上述卡尔曼滤波获得了用户空间角度信息的实时更新利用即可以进行实时的信道估计。
在本发明信道估计方法下,下行信道和上行信道估计的均方误差MSE随信噪比SNR变化曲线如附图4和5所示,信道空间角度跟踪曲线如图6所示。由实验结果可知,本发明的信道估计方法计算复杂度低、适用性强,在低信噪比的情况下的性能明显优于传统的最小二乘信道估计方法。
总的,本发明充分利用大规模MIMO的特性,提出了一种大规模MIMO***多用户信道估计与跟踪方法。该发明在基于信道的窄角入射或者空间稀疏散射条件下,充分利用大规模MIMO在空间DFT变换域的信道稀疏特性,在导频序列有限、小区用户数目较多的情况下,利用下行序言帧获得小区用户的初始信道信息,基于DFT变换和阵列空间旋转获得信道的空间角度域信息,充分利用信道的变换域稀疏特性有效减小估计参数的数目,最终实现信道信息的获取。
基于DFT实现空间正交基展开,大大降低了上、下行信道估计的训练和反馈开销,降低了大规模MIMO信道估计的复杂度。与此同时,该发明基于DFT变换有效将空间信道与用户入射空间角(DOA)联系起来,通过接收数据的DFT变换域特征获得用户角度观测信息,建立了用户角度变化的动态方程,将信道跟踪问题转换为角度跟踪问题,降低跟踪的复杂度。通过卡尔曼滤波进行空间角度信息跟踪,有效提高时变信道情况下信道估计的精度。此外,由于大规模MIMO***的角度互易性,该发明同时适用于TDD和FDD通信***,为大规模MIMO信道估计提供了一种崭新的思路和方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种大规模MIMO***,其特征在于,包括:部署大规模天线阵列的基站和多个单天线用户,基站大规模天线阵列与用户间的信道向量是稀疏的。
2.根据权利要求1所述的***,其特征在于,多个单天线用户在小区内随机分布,所述信道采用多径窄角入射模型。
3.一种大规模MIMO***密集用户信道估计与跟踪方法,其特征在于,所述方法包括:
步骤1,通过下行序言帧导频序列,获得下行用户空间信道信息和空间角度信息;
步骤2,根据下行用户的空间信道信息和空间角度信息,对下行用户进行分组;
步骤3,根据下行信道用户分组情况,进行信道估计和反馈。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
步骤4,根据下行信道估计获得的用户到达角和有效波束集对所有上行用户进行分组,以使同一小组内的波束不重合;
步骤5,根据用户分组情况,对所有用户进行上行信道估计;
步骤6,基于上行信道基站接收数据分析,获取用户实时的空间角度信息。
5.根据权利要求3所述的方法,其特征在于,步骤1进一步包括:
在信道使用初期通过下行序言帧获得用户的空间角度域信息;
根据正交导频数量的不同,通过基于足够正交导频资源的最小二乘方法、基于非足够正交导频资源的基站导频分段传输方法或者基于非正交导频的压缩感知方法获取空间角度域信息。
6.根据权利要求5所述的方法,其特征在于,所述步骤1进一步包括:
通过信道DFT变换域分析,获得用户的空间角度域信息,利用少量的参数表示高维的信道,利用阵列信号处理技术的空间旋转运算减少信道参数的表征个数。
7.根据权利要求3所述的方法,其特征在于,所述步骤2进一步包括:
具有相同空间角度特征的分在同一簇,然后将不同簇进行分组,以使不同分组之间存在保护间隔;将具有相邻空间角度域信息的用户分为一组。
8.根据权利要求5所述的方法,其特征在于,所述步骤3进一步包括:
具体某一分组,基站根据角度域信息发送导频矩阵,用户接收到正交导频矩阵后,基于导频信息利用最小二乘方法计算出各个用户的信道值,并将信道信息反馈至基站。
9.根据权利要求4所述的方法,其特征在于,所述步骤4进一步包括:
不同分组使用相互正交的导频资源,同一分组使用相同的导频资源。
10.根据权利要求4所述的方法,其特征在于,所述步骤5进一步包括:
基站接收到导频后,基于最小二乘算法和同一小组信道空间角度域信息不重叠特性实现信道估计。
11.根据权利要求4所述的方法,其特征在于,所述步骤6进一步包括:
在上行信道用户数据传输阶段,基站通过对接收数据进行DFT变换域特征分析获得小区内用户的波束角度观测信息,以获取实时信道信息;
其中,通过卡尔曼滤波获得时变信道空间波束的角度最小方差估计值,更新用户的空间角度信息,获取实时信道信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610744197.9A CN106302274B (zh) | 2016-08-26 | 2016-08-26 | 一种大规模mimo***多用户信道估计与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610744197.9A CN106302274B (zh) | 2016-08-26 | 2016-08-26 | 一种大规模mimo***多用户信道估计与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106302274A true CN106302274A (zh) | 2017-01-04 |
CN106302274B CN106302274B (zh) | 2019-08-09 |
Family
ID=57677264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610744197.9A Expired - Fee Related CN106302274B (zh) | 2016-08-26 | 2016-08-26 | 一种大规模mimo***多用户信道估计与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106302274B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171708A (zh) * | 2017-05-25 | 2017-09-15 | 清华大学 | 一种大规模mimo***的信道跟踪与混合预编码方法 |
CN107995134A (zh) * | 2017-11-28 | 2018-05-04 | 南京大学 | 一种adma场景下mimo***信道估计的实现方法 |
WO2018126787A1 (zh) * | 2017-01-06 | 2018-07-12 | 深圳市金立通信设备有限公司 | 一种上行免授权用户激活检测方法、装置及基站 |
CN108429611A (zh) * | 2018-05-23 | 2018-08-21 | 东南大学 | 一种巨连接下的导频分配和信道估计方法 |
CN108712197A (zh) * | 2018-05-14 | 2018-10-26 | 西安交通大学 | 一种fdd大规模mimo***中基于移动速度的反馈量选择方法 |
CN108832977A (zh) * | 2018-07-24 | 2018-11-16 | 西安电子科技大学 | 大规模mimo空域稀疏非正交接入实现方法 |
CN108966337A (zh) * | 2018-06-28 | 2018-12-07 | 浙江大学 | 一种基于波束空间的大规模接入方法 |
CN108964725A (zh) * | 2018-07-20 | 2018-12-07 | 西安电子科技大学 | 时变大规模mimo网络中信道参数的稀疏估计方法 |
CN109255150A (zh) * | 2018-08-03 | 2019-01-22 | 西安电子科技大学 | 基于双向次序关联的多天线到达角数据关联方法 |
CN109347529A (zh) * | 2018-10-25 | 2019-02-15 | 中国科学技术大学 | 一种对抗相移器不理想性的信道估计和混合波束成形方法 |
CN109787665A (zh) * | 2019-02-26 | 2019-05-21 | 上海交通大学 | 平流层大规模mimo用户分组和预编码方法、*** |
CN109981497A (zh) * | 2019-02-22 | 2019-07-05 | 中国人民解放军陆军工程大学 | 基于盲源分离和角度域辨识的导频污染消除方法 |
CN110518961A (zh) * | 2019-08-29 | 2019-11-29 | 东南大学 | 大规模mimo卫星移动通信方法及*** |
CN111277308A (zh) * | 2020-01-15 | 2020-06-12 | 北京邮电大学 | 基于机器学习的波宽控制方法 |
CN112671435A (zh) * | 2020-12-22 | 2021-04-16 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
CN112702093A (zh) * | 2020-12-22 | 2021-04-23 | 杭州电子科技大学 | Fdd下行多用户大规模mimo***中的信道估计方法 |
CN113572506A (zh) * | 2021-06-01 | 2021-10-29 | 南京泰通科技股份有限公司 | 基于fdd预编码的高铁多trp无线通信方法 |
WO2022174642A1 (zh) * | 2021-02-22 | 2022-08-25 | 华为技术有限公司 | 基于空间划分的数据处理方法和通信装置 |
CN115002929A (zh) * | 2022-05-16 | 2022-09-02 | 西南交通大学 | 一种基于前导和到达角联合估计的活跃用户检测方法 |
WO2024136703A1 (en) * | 2022-12-20 | 2024-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for beam tracking |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267409A (zh) * | 2008-04-28 | 2008-09-17 | 山东大学 | 一种mimo-ofdm双选择性信道的跟踪方法 |
CN102045290A (zh) * | 2010-04-30 | 2011-05-04 | 西安电子科技大学 | 基于灰建模的ofdm窄带慢衰落慢时变信道估计方法 |
CN104219189A (zh) * | 2014-09-03 | 2014-12-17 | 东南大学 | 角度-时延域导频复用宽带大规模mimo通信方法 |
CN105577587A (zh) * | 2016-02-03 | 2016-05-11 | 清华大学 | 一种60GHz室内场景下MIMO***信道估计方法及装置 |
-
2016
- 2016-08-26 CN CN201610744197.9A patent/CN106302274B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267409A (zh) * | 2008-04-28 | 2008-09-17 | 山东大学 | 一种mimo-ofdm双选择性信道的跟踪方法 |
CN102045290A (zh) * | 2010-04-30 | 2011-05-04 | 西安电子科技大学 | 基于灰建模的ofdm窄带慢衰落慢时变信道估计方法 |
CN104219189A (zh) * | 2014-09-03 | 2014-12-17 | 东南大学 | 角度-时延域导频复用宽带大规模mimo通信方法 |
CN105577587A (zh) * | 2016-02-03 | 2016-05-11 | 清华大学 | 一种60GHz室内场景下MIMO***信道估计方法及装置 |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126787A1 (zh) * | 2017-01-06 | 2018-07-12 | 深圳市金立通信设备有限公司 | 一种上行免授权用户激活检测方法、装置及基站 |
CN107171708A (zh) * | 2017-05-25 | 2017-09-15 | 清华大学 | 一种大规模mimo***的信道跟踪与混合预编码方法 |
CN107171708B (zh) * | 2017-05-25 | 2020-10-23 | 清华大学 | 一种大规模mimo***的信道跟踪与混合预编码方法 |
CN107995134A (zh) * | 2017-11-28 | 2018-05-04 | 南京大学 | 一种adma场景下mimo***信道估计的实现方法 |
CN107995134B (zh) * | 2017-11-28 | 2020-10-02 | 南京大学 | 一种adma场景下mimo***信道估计的实现方法 |
CN108712197A (zh) * | 2018-05-14 | 2018-10-26 | 西安交通大学 | 一种fdd大规模mimo***中基于移动速度的反馈量选择方法 |
CN108712197B (zh) * | 2018-05-14 | 2020-06-19 | 西安交通大学 | 一种fdd大规模mimo***中基于移动速度的反馈量选择方法 |
CN108429611B (zh) * | 2018-05-23 | 2021-12-28 | 东南大学 | 一种巨连接下的导频分配和信道估计方法 |
CN108429611A (zh) * | 2018-05-23 | 2018-08-21 | 东南大学 | 一种巨连接下的导频分配和信道估计方法 |
CN108966337A (zh) * | 2018-06-28 | 2018-12-07 | 浙江大学 | 一种基于波束空间的大规模接入方法 |
CN108964725B (zh) * | 2018-07-20 | 2021-03-23 | 西安电子科技大学 | 时变大规模mimo网络中信道参数的稀疏估计方法 |
CN108964725A (zh) * | 2018-07-20 | 2018-12-07 | 西安电子科技大学 | 时变大规模mimo网络中信道参数的稀疏估计方法 |
CN108832977A (zh) * | 2018-07-24 | 2018-11-16 | 西安电子科技大学 | 大规模mimo空域稀疏非正交接入实现方法 |
CN108832977B (zh) * | 2018-07-24 | 2021-09-10 | 西安电子科技大学 | 大规模mimo空域稀疏非正交接入实现方法 |
CN109255150B (zh) * | 2018-08-03 | 2020-04-14 | 西安电子科技大学 | 基于双向次序关联的多天线到达角数据关联方法 |
CN109255150A (zh) * | 2018-08-03 | 2019-01-22 | 西安电子科技大学 | 基于双向次序关联的多天线到达角数据关联方法 |
CN109347529A (zh) * | 2018-10-25 | 2019-02-15 | 中国科学技术大学 | 一种对抗相移器不理想性的信道估计和混合波束成形方法 |
CN109347529B (zh) * | 2018-10-25 | 2021-08-13 | 中国科学技术大学 | 一种对抗相移器不理想性的信道估计和混合波束成形方法 |
CN109981497A (zh) * | 2019-02-22 | 2019-07-05 | 中国人民解放军陆军工程大学 | 基于盲源分离和角度域辨识的导频污染消除方法 |
CN109981497B (zh) * | 2019-02-22 | 2021-09-03 | 中国人民解放军陆军工程大学 | 基于盲源分离和角度域辨识的导频污染消除方法 |
CN109787665A (zh) * | 2019-02-26 | 2019-05-21 | 上海交通大学 | 平流层大规模mimo用户分组和预编码方法、*** |
WO2021035938A1 (zh) * | 2019-08-29 | 2021-03-04 | 东南大学 | 大规模mimo卫星移动通信方法及*** |
CN110518961A (zh) * | 2019-08-29 | 2019-11-29 | 东南大学 | 大规模mimo卫星移动通信方法及*** |
US11831393B2 (en) | 2019-08-29 | 2023-11-28 | Southeast University | Large-scale MIMO satellite mobile communication method and system |
WO2021035880A1 (zh) * | 2019-08-29 | 2021-03-04 | 东南大学 | 大规模mimo卫星移动通信方法及*** |
CN111277308A (zh) * | 2020-01-15 | 2020-06-12 | 北京邮电大学 | 基于机器学习的波宽控制方法 |
CN112702093B (zh) * | 2020-12-22 | 2021-11-30 | 杭州电子科技大学 | Fdd下行多用户大规模mimo***中的信道估计方法 |
CN112702093A (zh) * | 2020-12-22 | 2021-04-23 | 杭州电子科技大学 | Fdd下行多用户大规模mimo***中的信道估计方法 |
CN112671435B (zh) * | 2020-12-22 | 2022-07-22 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
CN112671435A (zh) * | 2020-12-22 | 2021-04-16 | 杭州电子科技大学 | 一种fdd大规模天线中基于字典迭代的信道估计方法 |
WO2022174642A1 (zh) * | 2021-02-22 | 2022-08-25 | 华为技术有限公司 | 基于空间划分的数据处理方法和通信装置 |
CN113572506A (zh) * | 2021-06-01 | 2021-10-29 | 南京泰通科技股份有限公司 | 基于fdd预编码的高铁多trp无线通信方法 |
CN113572506B (zh) * | 2021-06-01 | 2022-09-16 | 南京泰通科技股份有限公司 | 基于fdd预编码的高铁多trp无线通信方法 |
CN115002929A (zh) * | 2022-05-16 | 2022-09-02 | 西南交通大学 | 一种基于前导和到达角联合估计的活跃用户检测方法 |
CN115002929B (zh) * | 2022-05-16 | 2024-05-28 | 西南交通大学 | 一种基于前导和到达角联合估计的活跃用户检测方法 |
WO2024136703A1 (en) * | 2022-12-20 | 2024-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for beam tracking |
Also Published As
Publication number | Publication date |
---|---|
CN106302274B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106302274A (zh) | 一种大规模mimo***多用户信道估计与跟踪方法 | |
Liu et al. | Learning-based predictive beamforming for integrated sensing and communication in vehicular networks | |
Srivastava et al. | Quasi-static and time-selective channel estimation for block-sparse millimeter wave hybrid MIMO systems: Sparse Bayesian learning (SBL) based approaches | |
CN110401476B (zh) | 一种基于码本的毫米波通信多用户并行波束训练方法 | |
CN109104225A (zh) | 一种能效最优的大规模mimo波束域多播传输方法 | |
CN105891771A (zh) | 一种提高估计精度的基于连续分布的角度估计方法与设备 | |
CN105577587A (zh) | 一种60GHz室内场景下MIMO***信道估计方法及装置 | |
CN110166090A (zh) | 能效最优的大规模mimo下行单播波束域功率分配方法 | |
CN110099016A (zh) | 一种基于深度学习网络的毫米波稀疏阵面信道估计方法 | |
CN101425855B (zh) | 宽带信道参数抽取方法、宽带信道仿真方法及其装置 | |
CN110311715A (zh) | 能效最优的大规模mimo非正交单播多播传输功率分配方法 | |
CN114095318B (zh) | 智能超表面辅助的混合构型毫米波通信***信道估计方法 | |
CN104698430A (zh) | 一种用于提高精度的基于虚拟天线阵列的角度估计方法 | |
CN103747455A (zh) | 基于非均匀散射体分布的信道建模方法及参数匹配方法 | |
CN101982953B (zh) | 宽带无线通信信道频域多维参数化模型及建模方法 | |
CN110213185A (zh) | 一种基于原子范数最小化的三维信道参数估计方法 | |
CN105246086A (zh) | 一种确定天线角度的方法和设备 | |
CN107171757A (zh) | 一种融合智能天线的mimo无线信道建模方法 | |
CN102098705B (zh) | 多维信道参数提取方法 | |
CN106559361A (zh) | 大规模多输入多输出天线***的信道估计方法及装置 | |
CN108199794A (zh) | 一种新型Massive MIMO信道模型的统计性建模方法 | |
CN102307165A (zh) | 一种信道参数估计方法和*** | |
CN101426213B (zh) | 宽带信道仿真方法及其装置 | |
Bereyhi et al. | Channel hardening of IRS-aided multi-antenna systems: How should IRSs scale? | |
Heng et al. | Grid-less mmWave beam alignment through deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190809 Termination date: 20210826 |
|
CF01 | Termination of patent right due to non-payment of annual fee |